opencv实战项目十六：kmeans图像颜色聚类：

news2024/11/15 5:04:20

文章目录

前言
K-means介绍
效果

前言

在数字化时代，图像处理技术已成为计算机视觉领域的重要组成部分。其中，图像颜色聚类作为一项关键技术在众多应用场景中发挥着重要作用，如图像分割、物体识别、色彩调整等。K-means算法作为一种经典的聚类方法，以其简洁、高效的特点在图像颜色聚类领域得到了广泛应用。本文将围绕K-means图像颜色聚类技术，探讨其原理、实现方法以及在实际应用中的价值，为广大图像处理爱好者和技术人员提供参考。

K-means介绍

K-means算法是一种基于距离的聚类方法，它旨在将一组数据点划分为K个簇（Cluster），其中每个簇的内部数据点尽可能相似，而不同簇的数据点尽可能不同。
K-means算法的核心思想是通过迭代过程将数据点分配到K个簇中，使得每个数据点与其所属簇的中心点（均值）的距离之和最小。算法的步骤如下：

初始化：随机选择K个数据点作为初始簇中心。
分配：对于每个数据点，计算其与各个簇中心的距离，并将其分配到最近的簇中心所代表的簇。
更新：重新计算每个簇的数据点的平均值，作为新的簇中心。
迭代：重复步骤2和步骤3，直到满足停止条件，如簇中心的变化小于某个阈值或达到预设的迭代次数。

在opencv中集成了k-means方法，其函数为cv2.kmeans(）函数介绍：
cv2.kmeans()函数是实现K-means聚类算法的一个高效工具。这个函数可以用于对数据进行聚类分析，特别是在图像处理中，它常用于颜色量化，即将图像中的颜色缩减到一定数量的聚类中心所代表的颜色。

retval, bestLabels, centers = cv2.kmeans(data, K, bestLabels, criteria, attempts, flags)
参数说明：
data: 一个浮点型数组，每一行代表一个样本，每一列代表一个特征。在图像颜色聚类中，通常是一个(N, 3)的数组，N是像素点的数量，3代表颜色通道（例如RGB）。
K: 聚类的数目，即我们想要将数据点划分成的簇的数量。
bestLabels: 输出数组，用于存储每个样本的簇索引。如果提供，则该数组将被用作初始标签，并且函数将使用这些标签进行优化。
criteria: 聚类算法的终止条件，这是一个包含三个元素的元组：type，max_iter，epsilon。
type：用于指定停止标准的类型，通常使用cv2.TERM_CRITERIA_EPS或cv2.TERM_CRITERIA_MAX_ITER，或者两者的组合。
max_iter：最大的迭代次数。
epsilon：所需的准确度。
attempts: 使用不同初始标签执行算法的次数，算法会返回最佳聚类的结果。
flags: 用于指定初始中心的选取方法，可以是cv2.KMEANS_PP_CENTERS或cv2.KMEANS_RANDOM_CENTERS。默认值为cv2.KMEANS_PP_CENTERS，它使用K-means++算法来选择初始中心，这通常比随机选择更有效。

返回值：

retval: 聚类中心之间的最小平方距离。
bestLabels: 每个样本的簇索引数组。
centers: 聚类中心的数组，每一行代表一个簇中心。

使用案例：

# 导入所需的库
import numpy as np
import cv2

# 读取输入图像
img = cv2.imread(r'D:\ultralytics-main\1724896328042.png')
z = img.reshape((-1,3))

# 转换为 np.float32
z = np.float32(z)

# 定义标准，聚类的数量K并应用kmeans（）
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 2
ret,label,center=cv2.kmeans(z,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)

# 转换回uint8，并制作原始图像
center = np.uint8(center)
res = center[label.flatten()]
res2 = res.reshape((img.shape))

# 显示图像
cv2.imshow('k = 2',res2)
cv2.waitKey(0)
cv2.destroyAllWindows()

注：K=2可以实现图像二值化的效果，与传统二值化相比K-means算法在图像二值化中展现出其独特的优势，它能够根据图像内容的特征自适应地选择阈值，从而在处理不同光照条件和复杂背景的图像时，找到更合适的阈值，这一点相较于传统的全局阈值二值化方法更具灵活性。并且，K-means不仅考虑了像素间的相对关系，而且其不依赖于图像的特定统计特性，使得该方法适用于包括灰度图像和彩色图像在内的各种类型。然而，K-means图像二值化也存在局限性，如对初始聚类中心选择的敏感性，以及可能不适用于所有图像类型，特别是在处理非常嘈杂的图像时，可能需要额外的预处理来提升二值化的效果。